面向肿瘤标本中细胞分裂像的基础模型基准测试

深度学习模型的性能已知会随数据数量和多样性而增长。在病理学领域，像许多其他医学影像领域一样，可用于特定任务的标记图像往往有限。自监督学习技术已使能够使用大量未标记数据训练大规模神经网络，即基础模型，这些模型通过提供语义丰富的特征向量来解决数据有限的问题，这些特征向量能够以最小的训练 effort 有效地泛化到新任务，从而提高模型的性能和鲁棒性。在本工作中，我们调查了基础模型用于细胞分裂像分类的问题。可以从该分类任务中推导出细胞分裂计数，这是特定肿瘤的独立预后指标，也是某些肿瘤分级系统的一部分。具体来说，我们调查了多个当前基础模型的数据扩展规律，并评估了其对未见肿瘤域的鲁棒性。除了常用的线性探针范式外，我们还采用了其注意力机制的低秩适应（LoRA）来调整模型。我们将所有模型与端到端训练的基线进行比较，包括 CNN 和 Vision Transformer。我们的结果表明，采用 LoRA 调整的基础模型在标准线性探针调整的性能更佳，仅使用 10% 的训练数据即可接近 100% 数据可用性的性能水平。此外，最新基础模型的 LoRA 调整几乎缩小了在未见肿瘤域上评估时的性能差距。然而，传统架构的完全微调仍然保持竞争性能。